大模型对齐与安全

Thinking Longer, Not Always Smarter: Evaluating LLM Capabilities in Hierarchical Legal Reasoning

深入思考，而非总是更聪明：评估大语言模型在分层法律推理中的能力

Li Zhang, Matthias Grabmair, Morgan Gray, Kevin Ashley

机构 * University of Pittsburgh（匹兹堡大学） ； Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.CL

AI总结 本文提出一个框架评估大语言模型在分层法律推理中的能力，发现模型在表面推理准确但分层推理表现下降，揭示了模型在复杂领域中的局限性。

Comments 15 pages, 7 figures, Proceedings of the 2026 Symposium on Computer Science and Law (CSLAW '26)

Beyond "Not Novel Enough": Enriching Scholarly Critique with LLM-Assisted Feedback

超越‘不够新颖’：利用LLM辅助反馈丰富学术批评

Osama Mohammed Afzal, Preslav Nakov, Tom Hope, Iryna Gurevych

机构 * UKP Lab, TU Darmstadt and Hessian Center for AI (hessian.AI)（图林人工智能实验室、德累斯顿理工大学和黑森人工智能中心） ； MBZUAI（马克斯·普朗克人工智能研究所） ； The Allen Institute for AI (AI2)（人工智能研究院） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.CL

AI总结 本文提出一种结构化LLM辅助方法，通过三个阶段评估论文新颖性，实现86.5%的人类推理一致性，显著优于现有基线方法，提升同行评审的严谨性和透明度。

Federated Unsupervised Semantic Segmentation

联邦无监督语义分割

Evangelos Charalampakis, Vasileios Mygdalis, Ioannis Pitas

机构 * Department of Informatics, Aristotle University of Thessaloniki（信息学院，阿基米德大学） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.AI

AI总结 本文提出FUSS框架，通过联邦学习实现去中心化无监督语义分割，优于传统方法和本地训练。

Comments Accepted for publication in Neurocomputing

NeuroShield: A Neuro-Symbolic Framework for Adversarial Robustness

NeuroShield：一种用于对抗鲁棒性的神经符号框架

Ali Shafiee Sarvestani, Jason Schmidt, Arman Roohi

机构 * University of Illinois Chicago（伊利诺伊大学香槟分校） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； Department of Computer Science（计算机科学系） 纠错

专题命中 安全评测 ：safety(abstract)；分类 cs.LG

AI总结 NeuroShield通过整合符号规则监督提升深度神经网络的对抗鲁棒性和可解释性，其方法在对抗攻击测试中表现出显著优势。

Bridging the Knowledge-Action Gap by Evaluating LLMs in Dynamic Dental Clinical Scenarios

通过评估LLMs在动态牙科临床场景中弥合知识-行动鸿沟

Hongyang Ma, Tiantian Gu, Huaiyuan Sun, Huilin Zhu, Yongxin Wang, Jie Li, Wubin Sun, Zeliang Lian, Yinghong Zhou, Yi Gao, Shirui Wang, Zhihui Tang

专题命中 安全评测 ：safety(abstract)；分类 cs.CL

AI总结 本文通过SCMPE基准评估LLMs在动态牙科临床场景中的表现，发现其在动态对话中存在主动信息收集和状态跟踪的瓶颈，揭示了外部知识不足以弥补推理差距，需领域自适应预训练。

Comments 29 pages, 15 figures

MedConsultBench: A Full-Cycle, Fine-Grained, Process-Aware Benchmark for Medical Consultation Agents

MedConsultBench: 一个完整周期、细粒度、过程感知的医疗咨询代理基准

Chuhan Qiao, Jianghua Huang, Daxing Zhao, Ziding Liu, Yanjun Shen, Bing Cheng, Wei Lin, Kai Wu

机构 * Meituan（美团） 纠错

专题命中 安全评测 ：safety(abstract)；分类 cs.AI

AI总结 MedConsultBench通过细粒度过程感知评估医疗咨询代理的完整咨询周期，揭示高诊断准确性背后的效率与安全问题。

Agentic Artificial Intelligence (AI): Architectures, Taxonomies, and Evaluation of Large Language Model Agents

代理型人工智能（AI）：架构、分类及大语言模型代理的评估

Arunkumar V, Gangadharan G. R., Rajkumar Buyya

机构 * University College of Engineering, Anna University（安娜大学工程学院） ； National Institute of Technology Tiruchirappalli（Tiruchirappalli 国家理工学院） ； School of Computing and Information Systems University of Melbourne（墨尔本大学计算机与信息系统学院） 纠错

专题命中 安全评测 ：prompt injection(abstract)；分类 cs.AI

AI总结 本文探讨了代理型人工智能的架构、分类及评估，提出统一分类框架，分析从线性推理到原生推理模型的转变，并指出未来研究方向以提升自主系统的可靠性。

Comments 28 pages, 4 figures, 5 tables

Style-based Composer Identification and Attribution of Symbolic Music Scores: a Systematic Survey

基于风格的作曲者识别与符号音乐谱作者归属：系统性综述

Federico Simonetta

机构 * GSSI – Gran Sasso Science Institute（格拉萨索科学研究所） 纠错

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.AI

AI总结 本文通过系统综述，探讨了符号音乐谱中基于风格的作曲者识别与作者归属问题，提出改进验证方法和模型的指导原则，以提高研究的可靠性与可重复性。

Comments Accepted at the TISMIR

Journal ref 2025 Transactions of the International Society for Music Information Retrieval 8 p. 213-235

MathEDU: Feedback Generation on Problem-Solving Processes for Mathematical Learning Support

MathEDU: 为数学学习支持生成问题解决过程的反馈

Wei-Ling Hsu, Yu-Chien Tang, An-Zi Yen

机构 * Department of Computer Science, National Yang Ming Chiao Tung University, Taiwan（计算机科学系，National Yang Ming Chiao Tung大学，台湾） 纠错

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.CL

AI总结 MathEDU研究通过构建数学问题解决过程反馈数据集，评估不同模型在正确性分类、错误识别和反馈生成任务中的可靠性，发现生成反馈存在显著差距，需提升教学意识的AI反馈。

Comments Accepted by EACL 2026 main

An Architectural Advantage of The Instruction-Tuned LLM in Containing The Readability-Accuracy Tension in Text Simplification

指令调优LLM在文本简化中缓解可读性-准确性张力的优势

P. Bilha Githinji, Aikaterini Meilliou, Zeming Liang, Lian Zhang, Peiwu Qin

专题命中 安全评测 ：safety(abstract)；分类 cs.CL

AI总结 本研究通过比较指令调优和推理增强的LLM，发现指令调优在文本简化中能更有效平衡可读性与准确性，提升话语忠实度。

A Survey of AI Scientists

AI科学家的综述

Guiyao Tie, Pan Zhou, Lichao Sun

机构 * Huazhong University of Science and Technology（华中科技大学） ； Lehigh University（莱斯大学） 纠错

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.AI

AI总结 本文综述了AI科学家的发展历程，提出六阶段方法论框架，分析了从基础模块到闭环系统再到可扩展性与人机协作的演进，为未来系统发展提供路线图。

Comments 28 pages, 9 figures, 1 table

When Hallucination Costs Millions: Benchmarking AI Agents in High-Stakes Adversarial Financial Markets

当幻觉成本百万：在高风险对抗性金融市场中基准测试AI代理

Zeshi Dai, Zimo Peng, Zerui Cheng, Ryan Yihe Li

机构 * Surf AI, Cybertino Lab（Surf AI，Cybertino 实验室） ； Princeton University（普林斯顿大学） 纠错

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.AI

AI总结 CAIA基准测试揭示了AI在对抗性金融市场中的能力缺口，指出当前模型在面对虚假信息和不可逆决策时表现不佳，强调对抗鲁棒性对可信AI的重要性。

Comments 15 pages, 5 figures, 4 tables; Accepted to AAAI 2026 (AI-4-Finance Workshop - Oral, top 10%); In submission to ICML 2026

LOGOS: LLM-driven End-to-End Grounded Theory Development and Schema Induction for Qualitative Research

LOGOS: 基于大语言模型的端到端 grounded theory 开发与模式诱导用于定性研究

Xinyu Pi, Qisen Yang, Chuong Nguyen

专题命中 安全评测 ：alignment(abstract)；分类 cs.CL

AI总结 LOGOS 是一种基于大语言模型的端到端框架，通过自动化 grounded theory 工作流程，实现定性研究的结构化理论开发和模式诱导，显著提升了研究的可扩展性和理论精确度。

A Survey of Self-Evolving Agents: What, When, How, and Where to Evolve on the Path to Artificial Super Intelligence

自我进化代理的综述：何时、何地、如何进化以实现人工超级智能

Huan-ang Gao, Jiayi Geng, Wenyue Hua, Mengkang Hu, Xinzhe Juan, Hongzhang Liu, Shilong Liu, Jiahao Qiu, Xuan Qi, Yiran Wu, Hongru Wang, Han Xiao, Yuhang Zhou, Shaokun Zhang, Jiayi Zhang, Jinyu Xiang, Yixiong Fang, Qiwen Zhao, Dongrui Liu, Qihan Ren, Cheng Qian, Zhenhailong Wang, Minda Hu, Huazheng Wang, Qingyun Wu, Heng Ji, Mengdi Wang

机构 * Princeton University（普林斯顿大学） ； Princeton AI Lab（普林斯顿人工智能实验室） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Sydney（悉尼大学） ； Shanghai Jiao Tong University（上海交通大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Michigan（密歇根大学） ； Oregon State University（俄勒冈州立大学） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The University of Hong Kong（香港大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Edinburgh（爱丁堡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 安全评测 ：safety(abstract)；分类 cs.AI

AI总结 本文综述了自我进化代理的现状，探讨了进化机制、适应方法及挑战，为实现人工超级智能提供路线图。

Comments 77 pages, 9 figures, Transactions on Machine Learning Research (01/2026)

SonicBench: Dissecting the Physical Perception Bottleneck in Large Audio Language Models

SonicBench: 解剖大音频语言模型中的物理感知瓶颈

Yirong Sun, Yanjun Chen, Xin Qiu, Gang Zhang, Hongyu Chen, Daokuan Wu, Chengming Li, Min Yang, Dawei Zhu, Wei Zhang, Xiaoyu Shen

机构 * Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative, Institute of Digital Twin, EIT（宁波空间智能与数字衍生关键实验室，数字孪生研究院，EIT） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究所，中国科学院） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； Amazon AGI（亚马逊人工智能） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.CL

AI总结 SonicBench通过评估大音频语言模型在物理属性感知上的能力，揭示其在基础听觉理解上的不足，指出瓶颈在于对齐和解码阶段。

ARC Prize 2025: Technical Report

ARC 2025奖项：技术报告

François Chollet, Mike Knoop, Gregory Kamradt, Bryan Landers

专题命中 安全评测 ：alignment(abstract)；分类 cs.AI

AI总结 本文探讨了ARC-AGI-2基准竞赛中精炼循环对AGI进展的作用，分析了当前AI推理的局限性，并预览了ARC-AGI-3的交互推理挑战。

Lost in Benchmarks? Rethinking Large Language Model Benchmarking with Item Response Theory

陷入基准？基于项目反应理论重新思考大语言模型基准测试

Hongli Zhou, Hui Huang, Ziqing Zhao, Lvyuan Han, Huicheng Wang, Kehai Chen, Muyun Yang, Wei Bao, Jian Dong, Bing Xu, Conghui Zhu, Hailong Cao, Tiejun Zhao

专题命中 安全评测 ：alignment(abstract)；分类 cs.CL

AI总结 本文提出PSN-IRT框架，用于评估大语言模型基准的有效性，揭示现有基准的测量缺陷，并展示如何构建更符合人类偏好的小型基准。

Comments Accepted to AAAI 2026 (Oral)

SurgGoal: Rethinking Surgical Planning Evaluation via Goal-Satisfiability

SurgGoal: 重新思考手术计划评估 via 目标满足性

Ruochen Li, Kun Yuan, Yufei Xia, Yue Zhou, Qingyu Lu, Weihang Li, Youxiang Zhu, Nassir Navab

机构 * Technical University of Munich, Germany（慕尼黑技术大学） ； University of Strasbourg, France（斯特拉斯堡大学） ； University of Glasgow, United Kingdom（格拉斯哥大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； University of Massachusetts Boston, USA（马萨诸塞大学波士顿分校） 纠错

专题命中 安全评测 ：safety(abstract)；分类 cs.CL

AI总结 SurgGoal通过目标满足性度量重新评估手术计划，揭示视频大语言模型在安全关键环境中的性能问题。

ErrEval: Error-Aware Evaluation for Question Generation through Explicit Diagnostics

ErrEval: 通过显式诊断实现的问题生成的误差感知评估

Weiping Fu, Bifan Wei, Jingyi Hao, Yushun Zhang, Jian Zhang, Jiaxin Wang, Bo Li, Yu He, Lingling Zhang, Jun Liu

机构 * School of Computer Science and Technology, Xi’an Jiaotong University（计算机科学与技术学院，西安交通大学） ； School of Continuing Education, Xi’an Jiaotong University（继续教育学院，西安交通大学） ； Shaanxi Province Key Laboratory of Big Data Knowledge Engineering, Xi’an（陕西省大数据知识工程重点实验室，西安） ； Test center, National University of Defense Technology（测试中心，国防科技大学） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.AI

AI总结 ErrEval通过显式诊断机制改进问题生成评估，有效识别并纠正事实性幻觉和答案不匹配等缺陷，提升评估与人类判断的一致性。

QoSBERT: An Uncertainty-Aware Approach based on Pre-trained Language Models for Service Quality Prediction

QoSBERT：基于预训练语言模型的不确定性感知方法用于服务质量预测

Ziliang Wang, Xiaohong Zhang, Ze Shi Li, Meng Yan

机构 * Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education（高可信软件技术重点实验室（北京大学）） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China（网络物理社会可信服务计算重点实验室（重庆大学）） ； School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院） ； Department of Computer Science at the University of Victoria（维多利亚大学计算机科学系） 纠错

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.CL

AI总结 QoSBERT基于预训练语言模型，通过不确定性估计提升服务质量预测的准确性和可靠性。

Journal ref IEEE Transactions on Services Computing ( Volume: 18, Issue: 6, Nov.-Dec. 2025)

EmplifAI: a Fine-grained Dataset for Japanese Empathetic Medical Dialogues in 28 Emotion Labels

EmplifAI：一个用于日语共情医疗对话的细粒度数据集，包含28种情绪标签

Wan Jou She, Lis Kanashiro Pereira, Fei Cheng, Sakiko Yahata, Panote Siriaraya, Eiji Aramaki

机构 * Kyoto Institute of Technology, Japan（京都技术大学） ； National Institute of Information and Communications Technology (NICT), Japan（信息通信技术国家研究所） ； Kyoto University, Japan（京都大学） ； Nara Institute of Science and Technology, Japan（奈良科学技术大学） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.CL

AI总结 EmplifAI是一个用于日语共情医疗对话的细粒度数据集，包含28种情绪标签，通过微调提升了日本LLM的流畅性和共情能力。

CogRail: Benchmarking VLMs in Cognitive Intrusion Perception for Intelligent Railway Transportation Systems

CogRail: 对智能铁路运输系统中认知入侵感知的视觉语言模型进行基准测试

Yonglin Tian, Qiyao Zhang, Wei Xu, Yutong Wang, Yihao Wu, Xinyi Li, Xingyuan Dai, Hui Zhang, Zhiyong Cui, Baoqing Guo, Zujun Yu, Yisheng Lv

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学） ； Signal & Communication Research Institute, China Academy of Railway Sciences（信号与通信研究所，中国铁路科学研究院） ； Beijing Huairou Academy of Parallel Sensing（北京怀柔平行感知院） ； School of Computer Science and Technology, Beijing Jiaotong University（计算机科学与技术学院，北京交通大学） ； State Key Lab of Intelligent Transportation Systems, School of Transportation Science and Engineering, Beihang University（智能交通系统国家重点实验室，交通科学与工程学院，北京航空航天大学） 纠错

专题命中 安全评测 ：safety(abstract)；分类 cs.AI

AI总结 CogRail提出一个用于评估视觉语言模型在认知入侵感知任务中性能的基准，通过联合微调框架提升模型在时空推理和威胁分析中的表现。

Improved Segmentation of Polyps and Visual Explainability Analysis

改进的息肉分割与可视化可解释性分析

Akwasi Asare, Thanh-Huy Nguyen, Ulas Bagci

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.LG

AI总结 本研究提出PolypSeg-GradCAM框架，结合U-Net与Grad-CAM提升息肉分割精度并增强模型可解释性，实验结果在Dice系数、IoU和AUC-ROC等指标上均表现优异。

What Can RL Bring to VLA Generalization? An Empirical Study

RL能为VLA泛化带来什么？一项实证研究

Jijia Liu, Feng Gao, Bingwen Wei, Xinlei Chen, Qingmin Liao, Yi Wu, Chao Yu, Yu Wang

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 纠错

专题命中 安全评测 ：DPO(abstract)；分类 cs.LG

AI总结 本研究通过实证分析发现，PPO在提升VLA的语义理解和执行鲁棒性方面优于SFT，同时保持视觉鲁棒性，为VLA泛化提供了有效的方法。

Comments Accepted by NeurIPS 2025

SkinFlow: Efficient Information Transmission for Open Dermatological Diagnosis via Dynamic Visual Encoding and Staged RL

SkinFlow: 通过动态视觉编码和分阶段强化学习实现开放性皮肤病诊断的高效信息传输

Lijun Liu, Linwei Chen, Zhishou Zhang, Meng Tian, Hengfu Cui, Ruiyang Li, Zhaocheng Liu, Qiang Ju, Qianxi Li, Hong-Yu Zhou

机构 * Baichuan Inc.（百川公司） ； Department of Dermatology Peking University First Hospital（北京大学第一医院皮肤科） ； Beijing Key Laboratory of Molecular Diagnosis on Dermatoses（北京分子皮肤病诊断重点实验室） ； National Clinical Research Center for Skin and Sexually Transmitted Diseases（国家皮肤及性传播疾病临床医学研究中心） ； NMPA Key Laboratory for Quality Control and Evaluation of Cosmetics（国家药监局化妆品质量控制与评价重点实验室） ； School of Biomedical Engineering Tsinghua University（清华大学生物医学工程学院） ； University of Hong Kong（香港大学） 纠错

专题命中 安全评测 ：safety(abstract)；分类 cs.AI

AI总结 SkinFlow通过动态视觉编码和分阶段强化学习提升皮肤病诊断效率，实现比通用模型更优的准确率

Residual Cross-Modal Fusion Networks for Audio-Visual Navigation

残差跨模态融合网络用于音频视觉导航

Yi Wang, Yinfeng Yu, Bin Ren

机构 * School of Computer Science and Technology, Xinjiang University, Urumqi, China（新疆大学计算机科学与技术学院） ； Joint International Research Laboratory of Silk Road Multilingual Cognitive（丝绸之路多语认知联合国际实验室） ； School of Mechatronic Engineering and Automation Shanghai University, Shanghai, China（上海大学机电工程与自动化学院） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.AI

AI总结 本文提出残差跨模态融合网络，通过双向残差交互实现音频视觉信息互补建模，提升跨域导航性能。

Comments Main paper (10 pages). Accepted for publication by the 14th international conference on Computational Visual Media (CVM 2026)

Recursive Knowledge Synthesis for Multi-LLM Systems: Stability Analysis and Tri-Agent Audit Framework

多LLM系统的递归知识合成：稳定性分析与三代理审计框架

Toshiyuki Shigemura

机构 * Independent Researcher（独立研究者） 纠错

专题命中 安全评测 ：safety(abstract)；分类 cs.CL

AI总结 本文提出三代理框架用于多LLM系统稳定性分析，通过递归知识合成实现安全可靠的知识生成。

Comments 25 pages, 9 figures. Pilot feasibility study using public-access large language models without API-level orchestration

A Novel Approach to Explainable AI with Quantized Active Ingredients in Decision Making

可解释AI的新方法：决策中的量化活性成分

A. M. A. S. D. Alagiyawanna, Asoka Karunananda, Thushari Silva, A. Mahasinghe

机构 * Department of Computational Mathematics University of Moratuwa Sri Lanka（计算数学系 卢特瓦大学 斯里兰卡） ； Department of Mathematics University of Colombo Sri Lanka（数学系 科布姆大学 斯里兰卡） 纠错

专题命中 安全评测 ：trustworthy(abstract)；分类 cs.LG

AI总结 本文提出基于量子玻尔兹曼机和经典玻尔兹曼机的可解释AI框架，通过量化活性成分提升模型的可解释性和预测准确性。

Comments Accepted and published in IEEE 2025. This is the authors manuscript version; final version available at IEEE Xplore: https://ieeexplore.ieee.org/document/11318441

Journal ref Proceedings of the 2025 9th SLAAI International Conference on Artificial Intelligence (SLAAI-ICAI)

Are Emotions Arranged in a Circle? Geometric Analysis of Emotion Representations via Hyperspherical Contrastive Learning

情感是否呈圆形？通过超球体对比学习进行情感表示的几何分析

Yusuke Yamauchi, Akiko Aizawa

机构 * The University of Tokyo（东京大学） ； National Institute of Informatics（信息处理研究所） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.CL

AI总结 本文通过超球体对比学习在语言模型中诱导圆形情感表示，揭示了环形模型在可解释性和鲁棒性与高维设置下的性能权衡。

Cross-Prompt Encoder for Low-Performing Languages

跨提示编码器用于表现不佳的语言

Beso Mikaberidze, Teimuraz Saghinadze, Simon Ostermann, Philipp Muller

机构 * Muskhelishvili Institute of Computational Mathematics, GTU (MICM)（穆斯赫利什维利计算数学研究所（MICM）） ； Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)（德国人工智能研究中心（DFKI）） ； Center for European Research in Trusted AI (CERTAIN)（可信人工智能欧洲研究中心（CERTAIN）） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） 纠错

专题命中 安全评测 ：alignment(abstract)；分类 cs.CL

AI总结 本文提出跨提示编码器（XPE）用于提升表现不佳语言的性能，并结合双软提示机制增强多语言适应能力。

Comments Accepted at Findings of IJCNLP-AACL 2025